건물에서 사용하는 에너지 소비량이 점차 증가하고 있으며, 동시에 실내 건강환경에 대한 요구도 증대되고 있다. 기존의 건물 에너지 관리 시스템인 BEMS(Building Energy Management System)는 주로 에너지 소비 최적화에 중점을 두고 있다. 그러나 이러한 시스템은 실내 환경의 건강 측면을 충분히 고려하지 못하는 한계가 있다. 건강한 실내 환경은 거주자의 웰빙에 중요한 영향을 미치므로, 에너지 절감뿐만 아니라 실내 공기 질, 온도, 습도 등 다양한 환경 요인을 종합적으로 관리할 필요가 있다.
국내에서는 제로에너지 건축물 인증을 받기 위하여 BEMS 설치를 의무화 하고 있으나, 건물운영 현장에서는 여전히 건물관리자가 경험을 바탕으로 수동으로 제어하고 있는 것이 현실이다. 이는 현장인력부족, 인건비상승, 실시간 대응의 한계 등, 경제적, 기술적 이유로 인해 건물운영상의 어려운 현실을 반영한다. 이러한 문제를 해결하기 위해 AI 기반의 자율 운전(Autonomous Operation) 기술을 적용하여 건물 운영자의 개입을 최소화할 필요가 있다. 특히, 에너지 수요와 기후 변화에 민감하게 반응하는 맞춤형 자율운전 기술을 이용한 'Energy and Environment Assist' 개념의 접근이 요구된다.
이러한 요구를 충족하기 위해, iBEEMS(Intelligent Building Energy Environmental Management System)가 개발되였으며. iBEEMS는 기존의 BEMS를 뛰어넘어, 에너지 효율성과 실내 환경의 쾌적성을 동시에 관리하는 지능형 자율 시스템이다. iBEEMS는 학습된 모델을 기반으로 자동으로 운영되며, 관리자의 개입 없이도 에너지 절감을 극대화하고 건강한 실내 환경을 유지한다. 이를 통해, 보다 스마트하고 지속 가능한 건축물 관리를 실현할 수 있다.
본 고에서는 iBEEMS 실증사이트 중, 서울시 소재 A 오피스 실증결과를 소개하고자 한다. 본 사이트에서는 DDQN 기반 자율운전 학습 모델을 구성하였다. 총 10개의 state 와 66개의 action, 2개의 reward function 이 활용되었으며, replay memory는 216,000, batch size는 32, target network는 144*5*30으로 설정하였다. 본 고에서는 AHU(Air Handling Unit)을 대상으로 적용한 결과를 소개한다. 일반제어와 자율운전 알고리즘간의 성능 비교를 위해 냉방기간동안 일반제어와 자율운전 알고리즘을 각각 적용한 후, AHU 냉수 공급 유량과 실내 열쾌적(comfort ratio)을 비교하였다.
일반제어와 자율운전제어의 냉수 공급 유량과 실외 온도를 나타낸 결과를 살펴보면, 실외 온도가 유사한 날을 기준으로 자율운전의 경우 74.2%의 냉수 유량이 감소됨을 확인할 수 있었다. 이러한 공급 유량 감소에는 실외 온도에 따른 외기 댐퍼 개방 여부가 중요하게 작용하였다. 양일간 실외 온도는 25℃ 전후로 비교적 낮은 온도를 유지하는데, 일반 제어의 경우 외기 댐퍼를 0%로 완전히 닫아 놓은 반면, 자율운전 제어의 경우 외기 댐퍼를 최대 50% 까지 개방하여 비교적 낮은 온도의 외기를 적극적으로 활용하는 운전을 수행하였다.
실내 온도의 경우에도, 자율운전은 에너지를 절감하기 위한 운전을 보여준다. 자율운전 알고리즘의 경우, 실내 온도 쾌적 범위(24.4~26.5℃) 범위내에 실내 온도를 잘 유지하지만, 일반제어의 경우 쾌적 범위 하한선(24.4℃) 근처에 유지하거나 미만인 상태로 과냉방 상태를 유지하는 것을 알 수 있다. 이로 인해 일반제어 대비, 자율운전 알고리즘의 실내 열쾌적을 향상시킬 수 있었다. 즉, 자율운전의 경우, 일반제어와 달리 실내 온도를 적정 쾌적 범위로 유지하면서 냉수공급 유량은 감소하는 운전을 하는 것을 알 수 있다. 실제로 대상 사이트에서 실내 열쾌적은 34.3% 증가하였다. 따라서, 인공지능기반의 자율운전이 에너지 절감과 실내 환경을 동시에 개선하는 뛰어난 성능을 보여주었다.
본 고에서는 인공지능기반의 자율운전 알고리즘을 개발하여 기존 건물의 에너지 절감과 실내 건강환경을 구현하는 최신 연구를 소개하였다. 기계학습 방법 중 강화학습 기반의 모델을 구현하였으며, 실제 건물에 적용하여 실증하였다. A 오피스 대상으로 자율운전을 수행한 결과, 일반제어 대비, 에너지 효율 증가와 실내 환경 개선을 동시에 달성하는 것을 확인할 수 있었다. 본 연구팀에서는 다양한 용도의 건물을 대상으로 자율운전의 범위를 확대할 계획이다. 최종적으로는 건물별 특성을 반영하여 맞춤형 자율운전을 구현하고 경제성도 확보할 수 있는 플랫폼을 완성할 것이다.
